1. 서 론
식물계절학(Phenology)은 계절적 환경 변화에 따라 반복적으로 나타나는 식물의 생물학적 변화를 연구하는 학문이다(Piao et al., 2019; Hassan et al., 2024). 최근 기후변화 가속화로 인한 기온 상승 및 극한 기상의 빈도 증가는 생태계에 큰 영향을 미치고 있으며(Yoon et al., 2022), 식물계절은 이러한 변화에 대한 생태계 반응을 가장 직관적으로 보여주는 핵심 지표로 인식되고 있다. 식생의 발아, 개화, 낙엽 등의 변화는 기후 적응 과정을 대변하며, 특히 식생의 성장 기간은 지표-대기 간 에너지⋅탄소⋅물 순환에 결정적인 역할을 한다(Norton et al., 2023; Yin et al., 2024). 따라서 식물계절의 시공간적 변동성에 대한 정밀 관측은 수문⋅기상⋅탄소 모델 고도화 및 자연재해와 식량 안보 대응을 위한 필수적인 선결 과제이다.
전통적인 현장 관측은 높은 정확도를 제공하나 시공간적 제약과 관측자의 주관 개입 가능성이 존재하므로(Hong et al., 2023), 이를 보완하기 위해 위성 원격탐사 기술이 광역적 식생 변화 감시의 실질적인 대안으로 활용되어 왔다. 특히 정규식생지수(Normalized Difference Vegetation Index, NDVI)와 개선된 식생지수(Enhanced Vegetation Index, EVI)는 식생 활력도를 나타내는 대표적인 지표로 널리 쓰인다(Kim and Lee, 2024). 장기간 축적된 자료를 제공하는 Moderate Resolution Imaging Spectroradiometer (MODIS)는 식생 연구의 표준 자료로 자리 잡았으나(Xiong et al., 2023), 극궤도 위성의 특성상 낮은 시간 해상도와 구름 간섭으로 인해 급격한 식생 변화를 포착하는 데에는 한계가 있다(Miura et al., 2019).
이러한 한계를 극복하기 위해 고빈도 관측이 가능한 정지궤도 위성의 활용성이 대두되고 있다. 대한민국의 천리안 2A호(Geostationary Korea Multi-Purpose Satellite-2A, GK2A)와 2B호(Geostationary Korea Multi-Purpose Satellite-2B, GK2B)는 10분 간격의 고해상도 관측을 통해 구름 사이의 간극을 포착함으로써 관측 기회를 극대화하고 식생의 일중 변화까지 탐지할 수 있는 기반을 제공한다(Huh and Jin, 2022). 실제로 Jeong et al. (2023)은 식생 성장 기간 동안 GK2A가 MODIS 대비 월등히 높은 유효 관측 비율(85% vs 39%)을 확보함을 입증하였다. 그러나 GK2A/GK2B 식생지수는 아직 검증 이력이 부족하며, 이종 센서 간의 체계적인 비교 및 융합 연구는 미흡한 실정이다(Lee et al., 2022).
기존 위성 자료 융합 연구가 주로 공간 해상도 향상에 주력했다면, 최근에는 정지궤도 위성을 활용한 시계열 연속성 확보 연구가 활발하다. Yan et al. (2019)은 Himawari-8 자료를 통해 생장 시즌 시작일 검출 정확도를 개선하였으며, Tian et al. (2021)은 정지궤도와 극궤도 위성의 융합으로 식물계절 탐지 오차를 줄일 수 있음을 보고하였다. 나아가 다중 센서 자료의 불확실성을 평가하고 융합하기 위한 방법론으로 Triple Collocation (TC) 기법이 주목받고 있다. Pervez et al. (2021)은 TC 기법을 적용하여 NDVI와 증발산 자료의 오차 구조를 추정하고 상호 상관성을 평가한 바 있으며, 수문 기상 분야에서도 TC 기반의 다중 위성 자료 융합 연구가 보편화되고 있다(Xie et al., 2022). 이 방법은 참조 자료 없이도 자료 간의 상대적 신뢰도를 평가하고 최적 융합 가중치를 산정할 수 있다는 장점이 있으나, 식생지수 분야에서의 정지궤도 위성 기반 융합 연구 적용은 아직 초기 단계이다.
따라서 본 연구에서는 연속 관측이 가능한 GK2A, GK2B와 장기간 검증된 MODIS 자료를 융합하여 높은 신뢰성을 갖춘 고품질 식생지수를 산정하고자 한다. 이를 위해 첫째, 정지궤도 위성 식생지수의 시계열 특성을 MODIS와 비교 분석하여 적절성을 평가한다. 둘째, TC 기법을 통해 한반도 토지피복별로 각 위성 자료가 갖는 상대적 불확실성과 오차 구조를 정량적으로 규명한다. 마지막으로, 산출된 오차 분산을 기반으로 가중치를 적용하여 각 위성의 장점을 결합한, 시공간적 연속성과 정확도가 향상된 융합 식생지수를 산출한다. 본 연구는 지상 관측이 어려운 식생 인자에 대해 위성 간 상호 검증 및 융합 체계를 구축함으로써, 한반도 영역의 정밀한 식생 변화 감시를 위한 과학적 기반을 제시하는 데 의의가 있다.
2. 인공위성 자료
본 연구에서는 한반도 식생지수 분석을 위해 대한민국의 정지궤도 위성인 GK2A와 GK2B 자료를 활용하였다(Table 1). GK2A는 기상 및 환경 감시를 주 임무로 하는 기상위성으로, 16개 채널을 보유한 AMI (Advanced Meteorological Imager) 센서를 탑재하여 10분(전구) 및 2분(국지) 간격으로 기상 요소를 관측한다. 반면 GK2B는 해양 환경 모니터링을 목적으로 하는 해양위성으로, 13개 채널의 GOCI-II (Geostationary Ocean Color Imager-II) 센서를 통해 250 m 해상도로 1시간 간격의 해양 및 연안 관측을 수행한다. GK2A는 다양한 육상⋅해양⋅환경 산출물의 생산을 목표로 하고 있으며, 또한, 이와 관련된 고품질 위성 자료는 국가기상위성센터(National Meteorological Satellite Center, NMSC; https://nmsc.kma.go.kr/)에서 제공된다. 또한, GOCI-II의 주요 관측 산출물은 한국해양과학기술원 국가해양위성센터(National Ocean Satellite Center, NOSC; https://www.nosc.go.kr/
)에서 제공하고 있다.
Table 1
Major System Specifications of the Satellites (GK2A, GK2B, and MODIS) Used in This Study
이처럼 두 위성은 탑재 센서와 주 운용 목적에서 차이가 있으나, 모두 가시광선(Red, Blue) 및 근적외선(NIR) 대역을 포함하는 다중 분광 채널을 보유하고 있어 지표면의 식생 상태를 모니터링할 수 있다는 공통점이 있다. 이에 본 연구에서는 각 위성의 관측 목적과는 별개로, 두 위성에서 공통적으로 산출되어 제공되는 육상 식생지수(NDVI, EVI) 자료를 추출하여 분석에 활용하였다.
비교 검증 및 융합을 위한 기준 자료로는 장기간의 데이터 축적으로 신뢰성이 확보된 MODIS (Terra/Aqua)의 식생지수 산출물(MOD13Q1)을 사용하였다(Baik et al., 2022). MOD13Q1은 250 m 공간 해상도와 16일 합성(maximum value composite) 주기를 가지며, 구름 및 대기 영향을 최소화한 자료이다. 토지피복별 분석을 위해 MODIS 기반의 MCD12Q1 Version 6.1 (500 m)의 결과값인 LC_type1 자료를 활용하였으며, International Geosphere-Biosphere Programme, (IGBP) 분류 체계를 기준으로 한반도 특성에 맞게 9개 유형(산림, 농경지, 도심 등)으로 재분류하였다. 연구에 사용된 모든 위성 자료는 시공간적 일치성을 확보하기 위해 WGS84 좌표계 기준 500 m 격자로 재투영(reprojection)하고, 일(daily) 단위로 재구성하여 분석에 적용하였다.
3. Method
3.1 시계열 자료 전처리: Savitzky-Golay 필터링
인공위성으로부터 산출된 식생지수 시계열 자료는 대기보정 및 다중 합성 과정을 거친 후에도 미세 구름, 에어로졸, 구름 그림자, 눈 덮임 등의 영향으로 인한 잔류 잡음을 포함한다. 이러한 잡음은 시계열 상에서 비정상적인 값이나 급격한 하강 형태로 나타나 식생의 생장 주기를 왜곡하고 분석의 정확도를 저해하는 주요한 원인이 된다(Kim et al., 2019). 따라서, 본 연구에서는 식생 고유의 식물계절학적 경향성을 보전하면서 고주파 잡음을 효과적으로 제거하기 위해 Savitzky-Golay (SG) 필터를 적용하여 시계열 재구성을 수행하였다. Savitzky and Golay (1964)에서 제안된 SG 필터는 시간 영역(time-domain) 내에서 이동창(moving window)을 설정하고, 창 내부의 데이터 포인트들을 국지적 다항 회귀(local polynomial regression)를 통해 평활화하는 기법이다. 단순 이동 평균이 자료의 극값을 둔화시키고 신호의 폭을 넓히는 경향이 있는 반면, SG 필터는 데이터의 기하학적 형상과 고차 모멘트를 보존하는데 탁월한 성능을 보이며, 원본 데이터의 형태를 최대한 유지하면서 노이즈를 효과적으로 제거하는 강력한 장점을 가진다(Lee et al., 2015). SG 필터의 기본 작동 원리는 시계열을 따라 일정 크기의 이동창을 이동시키면서, 각 창 내의 데이터 포인트들에 대해 최소제곱법(least-squares)을 이용하여 최적의 다항식을 도출하는 것이다(Eq. (1)). 이후, 각 창의 중앙에 위치한 데이터 값을 다항식으로부터 계산된 새로운 값으로 대체한다(Jiao and Wang, 2021). 이 과정을 전체 시계열에 걸쳐 반복함으로써 부드러운 곡선을 얻게 된다. SG 필터의 성능은 이동창의 크기(window size, 2 m + 1)와 다항식의 차수(polynomial order, d)라는 두 가지 핵심 매개변수에 의해 결정된다(Kim et al., 2019).
여기서, x는 원본 NDVI 시계열 데이터, y는 SG 필터를 거쳐 오차가 제거된 NDVI의 값, m은 이동창의 반폭을 의미한다. C는 다항식의 차수(d)와 창의 크기에 의해 결정되는 가중치 계수를 의미한다.
본 연구에서 SG 필터의 성능을 결정하는 핵심 매개변수인 이동창의 크기(window size)와 다항식의 차수(polynomial order)는 한반도 식생의 계절적 특성을 고려하여 결정하였다. 이동창의 크기가 클수록 평활화 효과는 증대되나 식생의 개화 및 낙엽 시기와 같은 급격한 변화를 둔화시킬 위험이 있으며, 반대로 다항식의 차수가 높으면 원자료의 잡음까지 과적합(overfitting)될 가능성이 존재한다(Chen et al., 2004). 본 연구에서는 Chen et al. (2004), Lee et al. (2015)와 Kim et al. (2019)의 선행연구를 바탕으로, 한반도의 뚜렷한 사계절 변화(4~5월 발아기, 7~8월 최성장기, 10~11월 낙엽기)를 왜곡 없이 반영하기 위하여, 이동창의 크기를 9~25일(m = 4~7), 다항식의 차수는 2~4차(d = 2~4)를 기본 범위로 설정하여 적절한 매개변수를 설정하기 위해 반복적인 검토와 조정을 실시하였다. 그 결과 최종적으로 이동창의 크기를 23, 다항식의 차수를 2로 설정하였다. 해당 파라미터 조합은 원자료가 가진 식생 생장 곡선의 형태를 유지함과 동시에, 대기 효과로 인한 불확실한 잡음을 가장 효과적으로 제거하는 것으로 나타났다.
3.2 Triple Collocation (TC) 기법
다양한 원격탐사 기술의 발전으로 동일한 지구물리학적 변수를 관측하는 다중 센서 활용이 보편화 되고 있다. 그러나, 모든 원격탐사 기반 관측 자료는 고유의 시스템 오차와 무작위 오차를 내포하고 있어, 데이터의 신뢰성을 확보하기 위한 정량적 검증 및 보정 절차가 필수적이다(Park et al., 2023). 전통적인 검증 방식은 정확도가 매우 높은 참조자료(ground truth)를 요구하지만, 광범위한 지역에 대해 시공간적으로 일치하는 참조자료를 확보하는 것은 현실적으로 불가능에 가깝다.
TC 기법은 이러한 기존의 검증 방법들이 요구하는 절대적인 참조자료(ground truth)의 한계를 극복하고자, Stoffelen (1998)에 의해 해상풍 자료의 오차를 추정하기 위해 처음 제안된 통계적 방법론이다. 이는 참값을 알 수 없는 상태(unknown truth)에서 세 개의 독립적인 자료들을 상호 비교하여 각 자료가 가지는 무작위 오차 분산(error variance, σε2)을 정량적으로 산출할 수 있는 강력한 장점을 가진다. 특히 실제값이 알려지지 않은 상황에서 여러 자료 간의 상대적 신뢰도를 정량적으로 평가할 수 있다는 점에서, 원격탐사 및 수자원 분야의 토양 수분(Dorigo et al., 2010), 해수면 온도(O’Carroll et al., 2008), 잎면적지수(Fang et al., 2012)와 같은 광범위한 변수에 적용되었다. 또한, TC 방법론은 다수의 연구를 통해 활용되었다(Zwieback et al., 2012; Draper et al., 2013; McColl et al., 2014; Su et al., 2014; Yilmaz and Crow, 2014; Gruber et al., 2016; Tsamalis, 2022). 이와 같이 TC 기법은 다양한 분야에 적용되어 왔다.
TC 기법은 세 가지의 핵심적인 통계적 가정이 전제되어야 한다. 첫째, 선형성 가정으로 Eq. (2)와 같이 세 개의 자료(X1, X2, X3)는 미지의 참값(T)과 선형적 관계를 갖는다고 가정하며, 각 자료는 참값에 대한 척도 계수(ai)와 편향(βi), 그리고 평균이 0인 무작위 오차(εi)로 표현될 수 있다.
둘째, 오차의 독립성으로, 이는 각 관측 자료의 무작위 오차(εi)들이 서로 상관관계가 없다는 것(Cov(εi, εj)=0, i≠j)과 또한 각 오차는 참값(T)와 상관관계가 없다는 것(Cov(εi, T)=0)을 의미한다. 이러한 가정을 바탕으로 세 자료간의 공분산(Qij)을 계산하면 Eq. (3)과 같이 표현되며, 여기서 σ2T는 참값의 분산을 의미한다.
최종적으로, 관측된 공분산들을 결합하여 연립방정식을 풀면, Eq. (4)와 같이 각 자료의 무작위 오차 분산(σ2ε1, σ2ε2, σ2ε3)을 도출할 수 있다(McColl et al., 2014).
최종적으로 본 연구에서는 산출된 오차 분산을 이용하여 각 위성 자료의 정확도를 평가하였다. TC 기법은 구조적으로 시스템 편향(βi)을 분리해낼 수 없으므로, 일반적인 RMSE 대신 편향이 제거된 unbiased RMSE (ubRMSE)를 Eq. (5)와 같이 정의하여 평가지표로 활용하였다(Draper et al., 2013).
3.3 Triple Collocation 오차 기반 가중치 융합 방법론
서로 다른 특성을 가진 여러 데이터를 통합하여 단일의 최적화된 결과물을 생성하는 데이터 융합(data fusion)은 원격탐사 분야를 비롯한 다양한 분야에서의 연구 주제이다. TC 분석을 통해 산출된 각 데이터의 오차 분산은 개별 데이터의 신뢰도를 나타내는 객관적인 지표로 활용될 수 있으며, 이를 기반으로 통계적으로 최적화된 융합 가중치를 결정할 수 있다.
본 연구에서는 평균제곱오차(Mean Squared Error, MSE) 최소화를 목표로 하는 가중 평균 융합(weighted average fusion) 방법을 적용하였다. 이 방법은 오차가 작은 데이터, 즉 신뢰도가 높은 데이터에 더 높은 가중치를 부여하고, 오차가 큰 데이터, 즉 신뢰도가 낮은 데이터에는 낮은 가중치를 부여하여 융합 결과의 불확실성을 최소화하는 것을 목표로 한다. 융합된 결과(Xmerg.)는 각 데이터셋의 선형 결합으로 표현된다(Eqs. (6), (7)).
여기서 wi는 각 자료에 할당된 가중치이며, 모든 가중치의 합은 1이 되어야 한다는 제약 조건을 가진다. MSE를 최소화하는 최적의 가중치 방식은 TC 분석 결과와 직접적으로 연계되어, 통계적으로 가장 신뢰도 높은 융합 데이터셋을 생성하는 이론적 기반을 제공한다. 이를 통해 단일 센서의 한계를 극복하고 시공간적 해상도와 정확도를 향상시킨 고품질 환경정보 생산이 가능하다.
4. 결 론
4.1 인공위성 기반 식생지수의 토지피복별 경향
본 연구에서는 2021년부터 2024년까지 GK2A, GK2B, MODIS 위성에서 산출된 식생지수(NDVI, EVI)의 시계열 특성을 9개 토지피복 유형별로 비교 분석하였다(Fig. 1). 분석 결과, 세 위성 산출물 모두 여름철(6~8월) 최고치, 겨울철(12~2월) 최저치를 보이는 국내 식생의 뚜렷한 계절적 생장 주기를 잘 반영하고 있어, 식생 활력도 변화를 탐지하는 기본적인 성능을 갖춘 것으로 확인되었다. 이는 세 위성이 식생 활력도 변화를 탐지하는 기본적인 성능을 갖추고 있음을 시사한다.
그러나 식생지수 중 NDVI의 경우 산출물별로 절대적인 값의 차이가 나타났다(Fig. 1(a)). 다른 토지 피복에 비하여 고밀도 식생지역 유형인 혼합림, 경작지, 초지에서 GK2A NDVI의 경우, 여름철에 최대 0.85의 값을 나타내고, MODIS NDVI도 여름철에 최대 0.8~0.9의 범위까지 상승하는 것을 확인할 수 있다. 이러한 값의 분포는 두 위성이 한반도 활엽수와 침엽수의 혼합으로 이뤄진 산림의 식생 상태를 적절하게 반영하고 있는 것으로 판단된다. 반면 GK2B NDVI는 2021년 6월 이후에 다른 위성 자료와 비교하였을 때 전반적으로 과소 산정되는 것으로 나타났다. 이 이후에는 대체로 여름철에 최대 0.4~0.5 수준으로 낮게 산출되었으며, 동일한 토지피복을 관측한 두 다른 위성의 NDVI의 절반 수준에 그치는 것을 확인하였다.
저밀도 식생 및 비식생 지역인 도심지와 나지, 수역에서의 NDVI는 모든 위성 산출물의 결과에서 전반적으로 식생이 있는 지역(여름철 최대 0.8~0.9)에 비하여 낮은 값(여름철 최대 0.6~0.7)을 나타냈다. MODIS의 경우, 식생 피복이 적은 지역들에서는 전반적으로 평균 0.2~0.5의 수준이었으며, 고밀도 식생지역에 비해 안정적인 시계열 경향을 나타냈다. GK2B의 결과는 평균적으로 0.2 수준의 값 분포를 나타내며, 뚜렷하게 낮은 값을 유지하였다.
EVI는 NDVI와는 다른 고유한 반응 특성을 보였으며, 위성 간 차이점 또한 명확하게 드러났다. 고밀도 식생지역 중 혼합림 지역의 NDVI가 여름철 최고치 부근에서 평탄해지는 포화(saturation) 현상을 보인 것과 달리, GK2A와 MODIS의 EVI는 뚜렷한 봉우리(peak) 형태를 유지하였다. 뿐만 아니라, 전반적으로 두 위성 자료의 경향을 바탕으로 다른 고밀도 및 저밀도 식생지수의 경향이 계절에 따라 비슷한 결과를 나타내는 것을 확인할 수 있다. 그러나, GK2B는 시간에 따라 단기적인 변동성이 다른 위성에 비하여 높게 나타났다. 그중 여름철에 다른 두 EVI의 경우 최고치를 나타내는 것에 비하여 GK2B EVI는 값이 급격히 감소하며, 특히 습지, 혼합림, 사바나, 초지, 도심지에서는 가을과 겨울에 값이 증가하는 현상이 발생하였다. GK2B EVI는 NDVI와는 또 다른 비정상적인 패턴을 나타냈으며, 그중에서도 주목할 점은 수역과 나지에서 관측된 이상 패턴이다. 다른 위성 자료의 경우 대체적으로 0.2 부근에서 안정적인 형태를 보이지만, 저밀도 식생지역에서는 높은 EVI의 값을 지속적으로 유지하는 것을 볼 수 있다.
세 위성 기반의 식생지수 시계열을 비교 분석한 결과, 위성 센서 및 산출 알고리즘의 특성에 따라 토지피복별로 뚜렷한 차이가 확인되었다. 특히 시계열의 변동성 및 일관성 측면에서 위성 간의 차이가 명확하게 관측되었다. MODIS의 경우 16일 주기(composite) 자료의 특성상 시간적 해상도가 낮아 구조적으로 평활화된 시계열을 보이는 반면, GK2A는 일(daily) 단위의 고빈도 관측 자료임에도 불구하고 단기적인 잡음이나 급격한 이상치(outlier)가 적게 나타나며 MODIS에 준하는 견고한 계절적 경향성(seasonal consistency)을 유지하는 것으로 나타났다. 즉, GK2A는 높은 시간 해상도를 가짐과 동시에 식생의 생장과 쇠퇴 경향을 안정적으로 모의하고 있음을 확인하였다. 반면, GK2B는 앞선 두 위성과 달리 단기적인 변동폭이 크고 시계열의 표준편차가 넓게 나타나는 불안정한 특징을 보였다. 이는 GK2B 산출물이 센서 고유의 잡음(noise)이나 구름, 에어로졸 등 대기 상태의 간섭에 상대적으로 민감하게 반응함을 시사한다. 또한, 시계열 상에서 식생지수 값이 비정상적으로 증폭되거나 급격히 변동하는 현상은 산출 알고리즘의 내재적 한계가 반영된 결과로 판단된다. 특히 공간적 균질성이 낮은 토지피복 영역에서 나타나는 불규칙한 과대⋅과소 추정 패턴은 지표 반사도 처리 등 알고리즘 측면에서의 구조적 문제점을 내포하고 있음을 의미한다.
4.2 Triple Collocation을 활용한 토지피복에 따른 각 위성자료 간의 Error Variance의 검토
일반적으로 수문기상인자나 토지피복 분류와 같은 자료들은 기준 자료로 정확도를 평가할 수 있는 반면, 식생지수와 같은 지수의 경우 고유한 해석이 가능한 기준 자료가 부족한 것이 사실이다(Shao et al., 2019). 이러한 한계를 극복하기 위해 본 연구에서는 세 가지 위성 기반 식생지수 제품(GK2A, GK2B, MODIS)에 TC 방법을 적용하여 각 자료의 이론적 불확실성을 정량적으로 평가하고 공간적 특성을 분석하였다(Fig. 2). Fig. 2에는 GK2A, GK2B, MODIS NDVI와 EVI에 대한 상호 간의 ubRMSE 결과와 오차 분산에 대한 한반도 영역에서의 공간 분포 결과를 나타내었다. 전반적인 공간 패턴을 확인하였을 때, NDVI와 EVI 모두에서 GK2B, MODIS, GK2A의 순으로 불확실성이 증가하는 경향이 뚜렷하게 나타났다. 즉 GK2A는 한반도 전역에 걸쳐서 상대적으로 가장 낮은 불확실성을 보이며 안정적인 결과를 제공하는 반면, GK2B는 대부분 지역에서 상대적으로 매우 높은 불확실성을 나타내고 있다. 이러한 결과는 4.1의 시계열 분석에서 확인된 바와 같이, GK2B 식생지수가 다른 위성 자료들에 비해 전반적으로 낮은 값과 비정상적인 변동 패턴을 보이는 특성이 TC 분석을 통해 정량화된 것으로 해석할 수 있다. 즉, GK2B는 알 수 없는 실제 참값과의 편차(오차 분산 및 ubRMSE)가 상대적으로 클 수 있다는 것을 의미한다. 더 상세한 공간적인 패턴을 확인하면, GK2A와 MODIS의 경우 두 식생지수에서 비교적 유사한 공간적 불확실성 분포를 보이고 있으며, 주로 산악 지역 등과 같은 곳에서 국지적으로 다소 높은 불확실성 분포가 나타나는 것을 볼 수 있다. 반면, GK2B는 NDVI와 EVI 모두에서 전반적으로 매우 높은 불확실성을 보이며, 특히 서해안 일부 지역 및 내륙의 특정 지역, 동해안 해안 지역에서 불확실성이 극심하게 나타나는 패턴을 보였다.
다음으로 Fig. 3에서는 각 토지피복별로 TC 기법을 통해서 산정된 각 제품의 결과를 Box plot으로 나타냈다. Fig. 3(a)의 결과를 확인하면, Fig. 2(a)의 결과와 동일하게 TC 결과의 입력 자료 중 GK2A의 NDVI는 다른 두 자료에 비하여 전반적으로 낮은 error variance와 ubRMSE 결과를 일관되게 나타냈다. 반면, GK2B NDVI는 대부분의 토지피복에서 가장 높은 불확실성을 보였으며, MODIS NDVI는 GK2A와 GK2B 사이의 중간 수준의 불확실성을 보였다. 먼저, GK2A의 결과를 확인하면, 다른 토지피복에 비하여, 습지, 도시, 수역, 나지의 평균 ubRMSE는 0.08 수준의 불확실성을 나타내었고, 산림, 초지, 경작지 등에서는 평균 ubRMSE 범위가 0.020~0.038 정도로 확인되었다. 이러한 지역들은 도시 또는 습지의 경계로 혼합 픽셀(mixed pixel) 효과가 크거나, 수역 또는 나지에 해당하여 NDVI 신호 자체가 매우 낮거나, 습지와 같이 계절 변화가 복잡한 지역이기에 불확실성이 증가했을 가능성이 있다. MODIS NDVI 또한 GK2A와 같이 고밀도 식생지역에서는 상대적으로 낮은 불확실성을 보였고, 습지, 도시, 수역 등에서는 높은 불확실성을 보이며 유사한 경향성을 나타냈다. 하지만, 대부분의 토지피복 유형에서는 GK2A보다 전반적으로 높은 평균 ubRMSE 수치를 보였다. 예를 들어 산림 지역의 평균 ubRMSE는 GK2A (약 0.02)보다 높은 약 0.05 수준의 결과를 보였다. 마지막으로 GK2B NDVI는 다른 두 제품과 비교하여 모든 토지피복 유형에서 가장 높은 오차 분산과 ubRMSE를 보였다. 특히, 나지에서의 불확실성이 두드러졌는데, 이는 Fig. 1(a)에서 확인된 바와 같이 특정 시기(2021년 6월 이전)의 관측 오차로 인한 비정상적인 높은 NDVI 값 발생으로 인하여, 시계열 변동성 증가와 직접적으로 연관되는 것으로 보여진다. 이러한 높은 변동성 문제는 GK2B NDVI 산정의 자료 처리 과정의 문제점을 나타내고 있다.
Fig. 3(b)은 Fig. 3(a)의 NDVI와 동일하게 TC 방법을 이용하여 세 위성 자료의 토지피복 유형별 EVI의 오차분산과 평균 ubRMSE를 나타낸 것이다. NDVI와 비교하였을 때 EVI는 세 위성자료 모두 대부분의 토지피복 유형에서 전반적으로 더 높은 절대적인 오차 값을 나타내는 경향이 확인되었다. 이러한 이유는 Fig. 1(b)의 시계열에서도 확인할 수 있듯이, 경향성이 일정 범위에서 비슷하게 유지되기 때문에, TC 방법을 적용했을 때 3개의 독립적인 자료 간의 오차가 극단적인 차이를 나타내지 않는 것으로 보인다(Fig. 3). NDVI와 유사하게 전반적인 불확실성 수준에서 GK2A EVI가 세 제품 중 가장 낮은 불확실성(평균 ubRMSE 약 0.02~0.08)을 보였고, GK2B EVI가 가장 높은 불확실성(평균 ubRMSE 약 0.15~0.25)을 확인할 수 있었다. MODIS EVI는 중간 수준의 불확실성(평균 ubRMSE 약 0.05~0.12)을 나타냈다. 그러나 NDVI 결과와 비교했을 때, GK2A EVI에서 역시 NDVI와 마찬가지로 산림, 초지/사바나, 경작지 등 고밀도 식생 지역에서 상대적으로 낮은 ubRMSE (평균 약 0.02~0.04)를 보였다. 습지, 도시, 수역, 나지에서는 여전히 높은 ubRMSE (평균 약 0.05~0.08)를 나타냈으나, NDVI 결과에서 보였던 극단적인 차이보다는 토지피복 간 불확실성 편차가 다소 완화된 모습을 보였다. MODIS EVI의 경우에도 NDVI에서의 결과와 비슷하게 나타났으며, GK2A EVI와 유사한 토지피복별 경향성을 보였으나, 전반적으로 GK2A EVI보다 높은 ubRMSE 값(예: 산림 평균 ubRMSE 약 0.06)을 나타냈다. 마지막으로, GK2B EVI는 NDVI 결과보다 훨씬 더 높은 수준의 불확실성을 보였다. 앞선 Fig. 2에 나타난 것과 같이, GK2B는 습지, 나지, 수역 및 도심지 등에서의 변동성이 높은 것을 확인할 수 있으며, 다른 토지피복에 비하여 오차에 대한 변동성도 큰 것으로 확인되었다. 이는 연간 시계열의 불안정한 패턴이 TC 기법을 활용한 분석 과정에 반영되어 GK2B의 높은 불확실성을 정량화한 것으로 보인다.
Fig. 3의 토지피복별 TC 결과, NDVI와 EVI에서 상대적으로 GK2A가 가장 낮은 불확실성을 나타내고 있었으며, MODIS와 GK2B로 갈수록 불확실성이 높아졌다. 특히 GK2A가 전반적으로 가장 안정적이고 정밀한 NDVI와 EVI 추정치를 제공함을 확인하였다. 토지피복별 불확실성 패턴은 NDVI와 EVI 모두 유사한 경향을 보였다. 습지, 도시, 수역, 나지와 같은 비균질하거나 식생 밀도가 낮은 지역에서는 MODIS 자료가 상대적으로 다른 위성에 자료에 비하여 낮은 불확실성을 보이고 있었지만, 세 위성 모두 이러한 식생이 희박한 토지피복에서 다른 토지피복에 비하여 상대적으로 높은 불확실성을 보이는 공통적인 특징을 나타냈다.
4.3 TC 결과 기반한 각 위성자료의 가중치 산정 결과 비교
Fig. 4는 세 위성 자료를 기반으로 하는 TC 방법론에서 산정된 오차 분산을 활용하는 융합 가중치(Eq. (5))에 대한 공간분포 결과를 나타냈다. 융합 가중치는 TC 방법에 의한 각 자료간의 오차를 기반으로 산정되므로, Fig. 3의 결과를 통해 예상할 수 있듯이 GK2A NDVI와 EVI에 대한 가중치가 전반적으로 높게 산정된 것을 확인할 수 있다(Fig. 4(a)). 각 토지피복에 대한 가중치 산정 결과, GK2A NDVI와 EVI 모두 나지를 제외한 모든 토지피복에서 평균 0.3 이상의 가중치가 산정되었다. MODIS의 경우, NDVI에서는 한반도의 서부 지역이 동부 지역에 비해 높은 가중치를 보이며, EVI에서는 수도권을 제외한 한반도 서부 지역에서의 가중치가 낮은 것을 확인할 수 있다. 또한, 한반도의 주요 산맥이 위치한 동부 지역에서 MODIS NDVI와 EVI의 가중치가 각각 평균 0.05~0.1, 평균 0.01~0.05의 범위를 가지며 서부에 비해 상대적으로 낮아지는 결과를 보였다. 이러한 특징은 Fig. 4(b)의 토지피복별 가중치 분포를 통해서도 확인할 수 있다. GK2A와 비교하였을 때, MODIS NDVI는 습지, 도심지, 수역, 나지를 등 저밀도 식생지역에서 상대적으로 높은 가중치를 가졌으며, 반대로 한반도 동부 토지피복의 주를 이루는 식생 밀도가 높은 토지피복의 가중치는 평균적으로 0.1~0.14 범위에 분포하며 낮은 값을 가지는 것으로 확인되었다. MODIS EVI에서는 이러한 경향이 더욱더 뚜렷하게 드러나, 나지를 제외한 모든 토지피복에서 GK2A보다 낮은 가중치를 가졌다. GK2B는 NDVI와 EVI 모두 전반적인 범위에서 높은 불확실성이 큼에 따라 이러한 영향으로 인해 모든 토지피복에서 가장 낮은 가중치가 산출되었다(Fig. 4).
Fig. 4
. (a) Spatial Distributions and (b) Box Plot of Weighting Factor from the TC Method Using Three Different Satellite Datasets by Vegetation Indices (NDVI and EVI)
GK2A, GK2B, MODIS의 각 식생자료를 기반으로 TC 기법을 활용한 오차 기반 가중치 융합을 수행하고, 토지피복별로 분석을 실시하였다(Fig. 5). 먼저 NDVI의 경우, 세 위성자료의 TC 결과인 Fused TC에서 전반적으로 GK2A, MODIS 두 자료와 유사한 경향성을 확인할 수 있었다. 이는 앞선 Fig. 4(a)의 결과에서 알 수 있듯, 대다수의 토지피복 분류에서 GK2A의 가중치가 가장 높은 것에서 기인한 결과이다. 고밀도 식생지역인 산림, 관목지, 초지, 농경지, 혼합 농경지에서 Fused TC는 GK2A에서 발생하는 연주기 내 진폭이 반영된 것으로 확인하였다. 반면 저밀도 및 비식생지역인 습지, 도심지, 수역, 나지에서는 고밀도 식생지역과 비교하였을 때 Fused TC의 진폭이 다소 평활화되었으며, 값의 분포는 MODIS NDVI에 가까운 것으로 확인되었다. 이러한 특성은 TC 방법을 기반으로 도출한 세 위성의 가중치에 의한 것으로, 앞선 결과로부터 확인하였듯 해당 토지피복의 가중치가 MODIS, GK2A, GK2B 순으로 값이 높은 결과로부터 영향을 받은 것으로 판단된다. 전반적으로 Fused TC NDVI와 GK2B는 값 분포의 측면에서 큰 차이를 보였다. 고밀도 식생지역에서는 평균적으로 0.2~0.6 수준의 차이를 보였으며, 특히 여름철 식생 밀도가 높아지는 시기에 이러한 특징이 두드러졌다. 반면 저밀도 및 비식생지역에서는 GK2B의 값이 2021년 7월을 기점으로 거의 일직선의 값 분포를 보였으며, 이러한 특성으로 인해 GK2B의 가중치가 매우 낮게 산정되며 Fused TC에는 큰 영향을 미치지 못한 것으로 확인되었다. 비록 GK2B가 전반적인 과소 산정 경향을 보였으나, 높은 오차 분산으로 인해 융합 가중치가 매우 낮게 부여되었기에 융합 자료의 전체적인 값 분포(mean bias)에 미치는 부정적 영향은 미미한 것으로 확인되었다. 토지피복별 각 자료의 값 분포를 확인하였을 때, 전반적인 값의 분산이 가중치가 가장 큰 GK2A (고밀도 식생지역) 또는 MODIS (저밀도 및 비식생지역)을 따라가는 결과가 도출되었다.
Fig. 5
Time Series of Two Vegetation Indices from Each Satellite Product with Fused Result from TC Method: (a) NDVI and (b) EVI
Fig. 5(b)에서는 TC 방법 기반의 가중치 융합을 통해 산정한 토지피복별 Fused TC EVI와 각 원자료 EVI에 대하여 분석하였다. 고밀도 식생지역에서는 NDVI와 마찬가지로 Fused TC EVI의 경향 및 변동 정도가 GK2A EVI에 근접하였다. 특히 산림과 관목지의 경우 MODIS와 비교하였을 때 GK2A EVI는 연주기 내에서 상대적으로 더 늦은 시기에 최고치를 보이는데, Fused TC EVI에서도 동일한 경향성이 확인되었다. 다만 NDVI와는 다르게 EVI에서는 GK2A와 MODIS EVI 원자료의 값 진폭이 거의 유사한 수준으로 NDVI보다 평활화된 경향성을 보이며, 이러한 특성이 Fused TC EVI에도 반영되었다. GK2B EVI는 앞선 일련의 분석 결과를 통해 알 수 있듯, 세 원자료 중 가장 큰 진폭을 보이며 특히 저밀도 및 비식생지역에서는 한반도에서 발생하는 보편적인 식생 페놀로지 역학과 맞지 않았다. 습지와 도심지, 수역의 경우 이러한 이유로 GK2B EVI 자료의 영향을 거의 받지 않은 것으로 보인다. 마찬가지로 나지 또한 GK2B의 영향은 거의 반영되지 못했으나, 다른 토지피복과는 다르게 GK2A와 MODIS 자료의 매우 상이한 경향성 중 MODIS의 경향성을 강하게 반영하여 값 분포가 거의 일정한 결과가 도출되었다.
Fig. 6은 연구 기간 동안의 각 독립적인 인공위성과 TC 기반으로 융합된 식생지수들에 대한 평균 식생지수 공간 분포를 나타내었다. Fig. 6에서 나타낸 것을 통해서 두 식생지수 간의 차이를 명확히 확인할 수 있었다. GK2A, MODIS, Fused TC NDVI는 전반적으로 유사한 공간 분포를 보였다. 특히, 산림 지역 등 식생 밀도가 높은 지역에서 높은 평균 NDVI 값을 나타내고, 농경지나 도시 지역에서 상대적으로 낮은 값을 보이고 있다. 반면, GK2B의 NDVI는 다른 세 개의 결과와 확연히 다른 패턴을 나타내고 있다. 한반도 전역에 걸쳐 평균 NDVI가 현저히 낮게 나타나고 있으며, 상대적으로 다른 위성에 비하여 과소 산정되는 것을 확인할 수 있다. GK2B EVI 분포를 확인하면 NDVI와 달리, GK2B EVI 공간적인 분포 패턴은 다른 위성들과 비교적 유사하게 나타내고 있으며, 지역적으로 차이가 나는 곳은 있으나 전체적인 경향은 비슷하게 나타나고 있다. GK2A, MODIS, Fused TC EVI 역시 서로 유사한 공간 패턴을 보이며, NDVI와 마찬가지로 식생 밀도가 높은 지역에서 높은 값을 나타내고 있다. 다만, NDVI에 비해 EVI는 값의 포화가 덜하여 NDVI에서 붉은색으로 나타났던 지역들이 EVI에서는 좀 더 다양한 값으로 표현되는 경향을 나타내었다. 결과적으로 NDVI와 EVI 모두에서 Fused TC 결과는 세 입력 위성의 특성을 종합적으로 반영하는 공간 패턴을 보여주었다. TC 가중치를 기반으로 각 픽셀에서 가장 신뢰도가 높은 위성의 정보가 더 강하게 반영되므로, 이론적으로는 개별 위성보다 더욱 상세하고 안정적인 식생 분포 특성을 나타내는 것으로 보인다. 예를 들어, GK2A와 MODIS의 장점은 유지하면서 GK2B의 낮은 NDVI 값이나 높은 EVI 불확실성 영역의 영향을 완화하는 형태로 나타나고 있다.
Fig. 6
Mean Spatial Distribution of Two Vegetation Indices from Each Satellite Product and Fused Result from TC Method: (a) NDVI and (b) EVI
이러한 분석 결과를 종합해 볼 때, 본 연구에서 수행한 TC 기반의 식생지수 융합 방법론은 다음과 같은 두 가지 측면에서 한계점을 내포하고 있다. 첫째, 상이한 시간해상도와 보간(interpolation) 처리에 따른 불확실성이다. 정지궤도 위성인 GK2A와 GK2B는 일단위로 산정된 자료를 SG 필터를 이용하여 자료를 평활하였으나, MODIS는 16일 합성주기의 자료에 SG필터를 적용한 후, 이를 일 단위 선형 보간으로 재구성하였다.
이 과정에서 MODIS 식생지수는 실제 식생의 일일 변동성보다 과도하게 평활화되었으며, 결과적으로 연주기 내 식생 페놀로지 변화가 완만하게 표현되었다. TC 기법은 세 자료 간의 공통된 변동성을 신호(signal)로 간주하는 특성이 있다. 따라서 MODIS의 평활화된 시계열 특성은 일 단위의 고빈도 변동성을 가진 다른 자료들과 시간적 변동성 차이를 유발하며, 이는 결과적으로 MODIS의 오차 분산이 GK2A보다 상대적으로 높게 추정되는 요인으로 작용했을 가능성이 있다.
둘째, 공간 해상도의 불일치(spatial mismatch) 및 재구성(resampling) 과정에서 발생하는 구조적 한계이다. 본 연구에서는 상이한 위성영상 자료를 동일한 조건에서 비교하기 위해 500 m 해상도로 통일하였으나, 이 과정에서 각 원자료의 특성에 따라 서로 다른 형태의 불확실성이 야기되었다. 우선, GK2A (2 km)를 500 m로 내삽(downscaling)하는 과정에서는 공간적 대표성(spatial representativeness)의 오류가 발생할 수 있다. 2 km의 저해상도 격자는 넓은 영역의 평균적인 반사도 정보를 담고 있어, 격자 내에 산림이나 초지와 같은 고밀도 식생이 우세할 경우 전체 픽셀 값이 높게 산정되는 경향이 있다. 이를 500 m로 균등 분배(uniform distribution)할 경우, 실제로는 식생이 거의 없는 도심지나 나지에 해당하는 500 m 픽셀에도 주변 높은 식생 지수값이 그대로 할당되어, 결과적으로 저밀도 식생 지수 값이 과대평가되는 원인이 된다. 이는 본 연구의 저밀도 식생 지역 분석 결과에서 GK2A가 MODIS에 비해 상대적으로 높은 기저 값을 형성하게 된 주된 원인으로 해석된다. 반면, MODIS와 GK2B (250 m)를 500 m로 업스케일링(upscaling)하는 과정에서는 혼합 화소가 발생할 수 있다. 250 m의 고해상도 자료는 식생과 비식생 영역을 명확히 구분할 수 있으나, 이를 500 m로 평균화하는 과정에서 서로 다른 토지피복의 식생지수 값이 혼합되어 고유의 식생지수의 값이 희석되는 현상이 발생한다. 따라서 500 m로 재구성된 자료들은 원자료가 가진 국지적인 공간 변동성을 완벽히 대변하지 못하며, 이러한 해상도 차이에 따른 불확실성이 융합 결과의 토지피복별 통계 특성에 일부 반영되었음을 배제할 수 없다.
5. 결 론
원격탐사 기법을 활용한 식생지수는 식생의 활력, 패턴 및 밀도와 같은 다양한 식생 특성을 추정하는 복잡한 과정을 단순화 하여 나타낸 핵심 산출물이다. 이러한 자료는 수자원, 농업, 토지 자원 등 다양한 분야에 활용되며 그 중요성이 증대하고 있다. 원격탐사를 활용한 EVI, NDVI와 같은 주요 식생 지수의 탐지는 생태계 변화 감시에 핵심적인 역할을 수행할 것으로 기대된다. 그러나, 수문⋅기상 자료와 같은 여타 다른 자료와는 달리 식생인자는 해석 가능한 기준 자료가 부족하거나 관측되고 있지 않아, 기존의 절대적인 정확도 평가 방법으로 검증하기 어렵다는 문제가 있다.
본 연구에서는 이러한 한계를 극복하고자 2021년부터 2024년까지 관측된 GK2A, GK2B, MODIS 세 위성 기반 식생지수에 TC 방법론을 적용하여, 각 자료의 이론적 불확실성을 정량적으로 평가하였다. 또한 가중치 기반 융합 기법을 통해 세 위성 기반의 식생지수를 하나로 통합하여 불확실성을 최소화하였다. 이를 기반으로 TC 방법은 참조 자료 없이 세 독립적인 관측 자료만으로 오차 특성을 통계적으로 추정할 수 있으며, 이 연구에서 식생지수 검증의 새로운 대안으로서 그 효용성을 입증하였다. 세 위성 모두 국내의 식생의 전형적인 계절적 생장 주기를 잘 나타내고 있으나, 각 위성 간 식생지수의 품질 차이가 명확히 관측되었다. GK2A와 MODIS는 고밀도 식생지역에서 적절한 NDVI 값을 보였으나, GK2B NDVI는 2021년 6월 이후 전반적으로 과소 산정되는 경향(최대 0.4~0.5 수준)으로 나타났다. 다음으로는 TC 분석을 통해 불확실성 산정 결과, 식생지수에 대한 적절성 순위는 GK2A, MODIS, GK2B로 나타났다. GK2A는 가장 낮은 불확실성을 일관되게 보이며, 정지궤도 위성임에도 MODIS와 유사하거나 더 안정적인 시계열을 제공하였다. MODIS는 중간 수준의 불확실성을 보였으며, 16일 단위 자료를 선형 보간하여 발생한 평활화가 오차 증가의 원인 중 하나로 파악된다. GK2B는 시계열 분석에서 확인된 비정상적인 변동 패턴이 TC 분석을 통해 정량화된 결과, 모든 토지피복에서 가장 높은 불확실성을 보였다. 공통적으로 습지, 도시, 수역, 나지와 같이 비균질하거나 식생 신호가 약한 지역은 모든 위성 자료에서 상대적으로 높은 불확실성을 보이는 한계점이 나타났다. TC 방법으로 산정된 오차 분산을 기반으로 가중치를 확인한 결과, GK2A가 전반적으로 가장 높은 가중치(평균 0.3 이상)로 이를 적용한 TC Fused 식생지수들은 가중치가 높은 GK2A의 안정적인 계절적 경향을 따랐다. Fused TC 결과는 세 입력 위성의 특성을 종합적으로 반영하는 안정적인 공간 패턴을 보여, 이론적으로 개별 위성보다 더욱 상세하고 신뢰도 높은 식생 분포 특성을 나타내는 것으로 확인되었다.
다만, EVI의 경우에는 GK2B의 높은 변동성이 반영되어 융합 결과의 변동성이 커지는 한계 또한 관찰되었으며, 이는 향후 융합 전 품질 필터링 개선의 필요성을 시사하고 있다. GK2B GOCI2의 식생지수는 기존의 GOCI1에 비해 식생지수의 경향성이 부족한 것으로 보이며, 앞서 나타낸 2021년 6월 이전과 이후의 차이가 발생하는 만큼 산출 알고리즘에 대한 개선이 필요할 것으로 사료된다. 결론적으로, 본 연구에서 다룬 TC 방법을 활용한 다양한 위성 기반 지수의 융합은 개별 위성의 한계를 보완하고, 토지피복별 특성을 반영한 고품질 식생지수 산출에 기여할 것으로 기대된다.
PDF Links
PubReader
Full text via DOI
Download Citation
Print
